با توجه به هزینه‌بر بودن تولید مدل‌های سه بعدی با استفاده از تجهیزات سخت‌افزاری و هم‌چنین محدودیت‌هایی که این تجهیزات ایجاد می‌نمایند، امروزه از روش‌های نرم‌افزاری برای تولید این مدل‌ها استفاده می‌شود. یکی از چالش‌های موجود در تبدیل داده‌های دو بعدی به سه بعدی، تخمین عمق و یافتن بعد سوم از روی یک نمونه تصویر است. در این مقاله به یک روش مؤثر برای بازسازی مدل سه بعدی چهره با استفاده از تصویر دو بعدی ارائه شده است. با استفاده از این روش و با داشتن تنها یک نمونه تصویر از چهره فرد و مشخص بودن نقاط اصلی چهره، می‌توان مدلی سه بعدی از آن به دست آورد. این روش مبتنی بر دسته‌بند تحلیل اجزای اصلی (PCA) است. در این روش برای آموزش داده‌ها از تصویر "نقشه عمق" (Depth Map) و تحلیل اجزای اصلی استفاده شده است. نتایج به دست آمده نشان دهنده بهبود مدل بازسازی شده نسبت به روش مبتنی بر تحلیل اجزای اصلی با استفاده از تصویر بافت (Texture) است.

امروزه یکی از پرکاربرترین روش‌های تصویربرداری پزشکی، روش تصویر‌برداری پرتونگاری مقطعی (CTA) است. این روش به عنوان یک روش غیر مهاجم برای نمایش قلب و عروق کرونری شناخته شده‌است. با استفاده از این تصاویر وجود، بزرگی و نوع پلاک در محل گرفتگی رگ‌ها قابل تشخیص است. به منظور استفاده کلینیکی از این تصاویر و همچنین کاهش میزان خطا و زمان تشخیص، الگوریتم‌های تشخیص مراکز عروق کرونری می‌توانند بسیار مفید باشند. هدف این مقاله طراحی یک الگوریتم کاملا خودکار برای استخراج مراکز عروق کرونری در تصاویر سی‌تی‌ای است. در این الگوریتم، برای مکان‌یابی دقیق نقاط شروع عروق کرونری سمت چپ و راست از فیلتر فرانگی (Frangi) استفاده شده است. در ادامه نیز برای ردیابی ساختار‌های سه بعدی رگ از یک الگوریتم ردیابی درختی استفاده می‌شود. این الگوریتم با استفاده از پایگاه داده استاندارد روتردام (Rotterdom) ارزیابی شده‌است. معیار میانگین داخلی و میانگین درصد همپوشانی در الگوریتم ارائه شده به ترتیب 25/0 میلی‌متر و %24/85 است. همچنین، الگوریتم پیشنهادی در این مقاله توانسته است عملکرد مناسبی را نسبت به دیگر الگوریتم‌های ارائه شده در این حوزه از نظر دقت و سرعت داشته باشد.

داده پَرت با بقیه نمونه‌ها تفاوت قابل ‌ملاحظه‌ای دارد، در تمام زمینه‌ها از قبیل طبقه‌بندی، خوشه‌بندی و مسائل رگرسیونی تأثیرات منفی برجای می‌گذارد. برای مقابله با تأثير سوء داده‌های فوق تدابیری باید اندیشیده شود که تأثیر آنها کمتر شده و اصطلاحاً روشی مقاوم ارائه شود. در مسائل رگرسیونی، روش‌های متفاوتی برای تشخیص داده پَرت وجود دارد که اکثر آن‌ها در برابر این داده‌ها در حین انجام عمل رگرسیون جهت مقاوم‌سازی به شناسایی داده‌های پَرت می‌پردازند، در واقع سطح تصميمی را تخمین می‌زنند که متأثر از داده‌های پَرت نباشد. اکثر روش‌ها در حوزه ورودی هم‌بستگی بین ورودی‌ها را لحاظ می‌کنند، اما در این مقاله به دنبال انتقال داده‌ها از حوزه ورودی به حوزه فرکانس با استفاده از تبدیل فوریه هستیم که به‌توانیم رابط‌های ریاضی ارائه نماییم تا داده‌هایی که در بعضی از فرکانس‌ها رفتار متفاوت با دیگر داده‌ها دارند شناسایی شود. در اینصورت به‌عنوان یک پیش‌پردازش بدون انجام عمل رگرسیون می‌توانیم داده‌های پَرت را شناسايی و حذف نماییم. راه‌کار ابتکاری معرفی شده در این مقاله بر روی داده‌های شبیه‌سازی شده و مجموعه داده‌های سری زمانی مورد آزمایش قرار خواهد گرفت و با روش‌های رگرسیون مقاوم مطرح شده در مرز‌های دانش مقایسه خواهد شد.

یک زبان مدل‌سازی عبارت است از مجموعه‌ای از مفاهیم استخراج شده از دامنه‌ی مورد نظر و مجموعه‌ای از قیودی که بر روی این مفاهیم تعریف می‌شود. در این مقاله، یک زبان مدل‌سازی خاص مرحله‌ی واکنش از دامنه‌ی محیط‌های واکنش اضطراری ارائه شده است که بر مبنای متاکلاس‌های UML است. در طراحی این زبان، از مفاهیم تعریف شده در زبان مدل‌سازی DMM و MAS-ML استفاده شده است. فرایند طراحی زبان ارائه شده، در سه مرحله‌ی گسترش مدل نحوی، گسترش مدل واقعی و گسترش مدل دامنه توضیح داده شده است. در طراحی زبان مدل‌سازی ارائه شده، چارچوب تائو و زبان مدل‌سازی MAS-ML گسترش داده شده‌اند. با استفاده از این زبان، مدل‌سازی مرحله‌ی واکنش از محیط‌های واکنش اضطراری، راحت‌تر و سریع‌تر انجام شده و نیازی به یادگیری دانش محیط‌های واکنش اضطراری توسط همه‌ی توسعه‌دهندگان یک تیم نیست. به‌علاوه، سطح تجرید بالا رفته، سرعت روند توسعه افزایش پیدا کرده و نسبت به زبان‌های مدل‌سازی همه منظوره مثل UML، طراح به مفاهیم دامنه نزدیک‌تر خواهد شد.

: یکی از جنبه‌های مهم در روش‌های مدل‌رانده، تبدیل مدل است. دغدغه‌ی اصلی یک طراح در این روش‌ها نوشتن تبدیل‌های با کیفیت می‌باشد. استفاده از الگوهای تبدیل به‌جا و مناسب در تولید تبدیل مدل، سبب بهبود ساختار و کیفیت تبدیل‌های تولیدی می‌شود. در این مقاله فرایندی ارائه می‌شود که در تشخیص و پیشنهاد خودکار الگوهای تبدیل و نیز اعمال این الگوها بر روی مدل طراحی تبدیل به کمک طراح می‌آید. فرایند پیشنهادی، لزوم استفاده از یک الگوی تبدیل، تشخیص الگو و پیشنهاد استفاده از الگوهای متناسب با ساختار یک تبدیل را به‌طور خودکار انجام می‌دهد. این عمل بر روی مدل طراحی تبدیل و بر اساس مفهوم الگوهای تبدیل انجام می‌شود. با اعمال الگوهای پیشنهاد شده در این فرایند بر روی یک مدل طراحی تبدیل، مدل جدیدی مبتنی بر الگوهای تبدیل، تولید می‌شود. مدل طراحی تبدیل مبتنی بر الگوها سبب تولید تبدیلی با کیفیت و کارایی بیشتر، قابلیت استفاده مجدد، سادگی بیشتر و زمان اجرای کمتر می‌شود. در این مقاله ارزیابی فرایند پیشنهادی به‌‌صورت غیردستی و بر اساس اندازه‌گیری پارامترهای کیفی تبدیل، مانند سادگی، وجود تکرار و افزونگی در تبدیل، زمان اجرای یک تبدیل و میزان حافظه مصرفی انجام شده است.

با پیروی از رویکرد معماری مدل‌محور OMG، می‌توان طرحی برای توسعه سیستم‌های سرویس‌گرا در قالب سه مدل کسب‌و‌کار، مدل طراحی سیستم سرویس‌گرا و مدل پیاده‌سازی به همراه تبدیلات بین آن‌ها برای پوشش گپ بین فضای کسب‌و‌کار و فضای پیاده‌سازی ارائه کرد. تمرکز این مقاله بر بیان نحوه دستیابی به مؤلفه‌های پیاده‌سازی از مؤلفه‌های مدل طراحی سیستم سرویس‌گرا است. بر این اساس مؤلفه‌های مدل طراحی شامل واسط‌های سرویس، قراردادهای سرویس، مدل پیام‌ها، مدل قطعات نرم‌افزاری، مدل ترکیب هم‌نوایی و مدل ترکیب هم‌آرایی با استفاده از استانداردهای BPMN و SoaML ایجاد شده و سپس مؤلفه‌های پیاده‌سازی با بیان قوانین تبدیل یا استفاده از ابزار به صورت خودکار از مؤلفه‌های مدل طراحی بدست می‌آیند. تولید مؤلفه‌های پیاده‌سازی پوشش‌دهنده نیازمندی‌های کسب‌و‌کار، خودکار بودن دستیابی به مؤلفه‌های پیاده‌سازی از مدل طراحی، در نظر گرفتن بحث تعاملات بین سازمانی به واسطه‌ی تعریف مدل هم‌آرایی، مدل‌محور بودن و استفاده توامان از چندین مؤلفه طراحی برای پوشش هر چه بهتر تولید عناصر زبان‌های پیاده‌سازی از جمله نقاط برتری این روش نسبت به سایر روش‌های موجود می‌باشد.

یادگیری ویژگی یکی از مهمترین قسمت‌های مربوط به روشهای برتر بینایی ماشین می باشد. در حوزه شناسایی شیء و دسته بندی تصاویر، یادگیری ویژگی و به طور خاص کدگذاری ویژگی، نقش اساسی را ایفا می کنند. در این مقاله از میان روشهای یادگیری ویژگی بدون نظارت، دسته یادگیری ویژگی مبتنی بر بازسازی انتخاب شده و از میان این روشها، روش موفق کدگذاری خطی با قید محلی (LLC) را انتخاب نموده و سعی در بهبود این روش شده است. بدین منظور روش کدگذاری خطی با قید محلی را با مفهوم جدول درهمسازی ترکیب کرده و روش کدگذاری خطی با قید جدول درهم سازی محلی Locality Hash-table-constrained Linear Coding (LHLC) را پیشنهاد می دهیم. این روش علاوه بر سرعت بیشتر از روش LLC، امکان استفاده سریع از توابع کاهش بعد را نیز امکان پذیر می کند. این الگوریتم بر روی دو مجموعه داده متداول در پردازش تصویر (Pascal Vocabulary 2007 و 15 Scenes) آزمایش شد و نشان داده شد که الگوریتم ضمن حفظ دقت و کارایی، پیچیدگی محاسباتی روش LLC را کاهش می‌دهد.

تولید چندضلعی‌های تصادفی از مسائل مهم هندسه محاسباتی است که در تحقیقات روان‌شناختی، گرافیک کامپیوتری و از همه مهمتر برای بررسی درستی الگوریتم‌ها به کار می‌رود. نوع خاصی از چندضلعی‌های تصادفی، چندضلعی‌های متعامد می‌باشند که در آن‌ها هر دوضلع مجاور بر هم عمود می‌باشند و اضلاع پشت سر هم به صورت متناوب افقی و عمودی هستند. در این مقاله ابتدا مفهوم جدیدی به نام ضربه تعریف می‌گردد و سپس الگوریتمی از مرتبه و با استفاده از تکنیک ضربه‌ای ارائه می‌شود که در آن تعداد ضربات و تعداد اضلاع چندضلعی است، یعنی ورودی مسئله یک چندضلعی ساده مربع یا مستطیل شکل، در قالب چهار نقطه در فضای دوبعدی و نیز تعداد ضربات وارده به این چندضلعی توسط یک چکش مجازی است و خروجی مسئله یک چندضلعی ساده متعامد تصادفی می‌باشد. این الگوریتم روشی جدید در تولید چندضلعی محسوب می‌شود و می‌تواند مبنای کار روشهای دیگری محسوب شود.

داده‌های حجیم یک اصطلاح برای مجموعه‌های داده خیلی بزرگ است که از نظر ساختار، پیچیدگی و منابع تولید بسیار متنوع هستند و ذخیره و آنالیز آنها کار پیچیده‌ای است. رایانش ابری یک تکنولوژی قدرتمند برای اجرای محاسبات پیچیده و سنگین است. رایانش ابری نیاز به استفاده از سخت‌افزارهای گران را حذف نموده و فضای محاسباتی و نرم‌افزار مورد نیاز را در اختیار کاربر قرار می‌دهد. رشد روزافزون حجم داده و ایجاد داده‌های حجیم از طریق رایانش ابری در سال‌های اخیر در بسیاری از کاربردها دیده شده است. داده‌های حجیم چالش مهمی است که احتیاج به زیرساختی قوی برای اطمینان از انجام موفق پردازش‌ها و آنالیزهای مورد نیاز دارد. موضوع حایز اهمیت این است که چگونه می‌توان از زیرساخت رایانش ابری برای دسترسی، پردازش و آنالیز داده‌های حجیم استفاده نمود. در این مطالعه به تعریف، خصوصیات و دسته‌بندی داده‌های حجیم در چارچوب رایانش ابری پرداخته شده است و کاربرد زیرساخت رایانش ابری برای آنالیزهای داده‌های حجیم مورد بررسی قرار گرفته است.

گراف دید یک چندضلعی ساده در صفحه گرافی است که مجموعه‌ی رئوس آن، مجموعه رئوس چندضلعی است و هر یال آن معادل با دو راس قابل دید در چندضلعی است. یکی از مسائل قدیمی و مهم هندسه محاسباتی که تاکنون الگوریتمی برای آن ارائه نشده است، بازسازی چندضلعی از روی گراف دید آن است. با توجه به این‌که مسئله‌ی بازسازی شبه-مثلث از روی گراف دید آن حل شده است در این مقاله می‌خواهیم الگوریتمی با زمان اجرای برای شبه-مثلث‌بندی چندضلعی ساده از روی گراف دید متناظر با چندضلعی ارائه کنیم ( تعداد رئوس چندضلعی است). برای این کار ابتدا روشی برای مثلث‌بندی چندضلعی ساده از روی گراف دید ارائه می‌دهیم. سپس، با استفاده از ویژگی‌هایی که از روی گراف دید درباره‌ی چندضلعی به دست می‌آوریم یک شبه-مثلث‌بندی از چندضلعی ارائه می‌دهیم.

ابرهای محاسباتی یک فناوری جدید است که به‌دلیل استفاده از روش‌های خاص مانند مجازی‏سازی، روز‏به‏روز در حال مشهورتر شدن می‌باشد. این فناوری خدمات مختلف سخت‏افزاری، نرم‏افزاری و سکو را به کاربران سرتاسر جهان بر‏مبنای پرداخت به اندازه استفاده ارائه می‌دهد. یکی از مسائل مهمی که در ابرهای محاسباتی مطرح است، مسئله زمانبندی برنامه‌های کاربردی مختلف بر روی منابع موجود است، به‏طوری که نیازهای کیفیت سرویس مورد‏نظر کاربر مانند حداقل شدن زمان اجرا و هزینه نیز تامین شود. از‏جمله این برنامه‌های کاربردی می‏توان به برنامه‏های موازی با جفت‏شدگی شل یا همان برنامه‌های جریان کاری اشاره کرد. از‏این‏رو در این پژوهش الگوریتمی برای زمانبندی چند هدفه برنامه‌های جریان کاری در ابرهای محاسباتی ارائه شده ‏است که در آن از ترکیب الگوریتم‌های کلونی زنبور عسل، Min-Min و توابع آشوب استفاده شده‏است. این الگوریتم زمان اجرا را با درنظر گرفتن محدودیت بودجه، حداقل می‌کند. نتایج بدست‏آمده از اجرای الگوریتم پیشنهادی و الگوریتم کلونی زنبور عسل استاندارد بر روی داده‌های یکسان، نشان می‌دهد که الگوریتم پیشنهادی دارای کارآیی بالاتری نسبت به الگوریتم کلونی زنبور عسل استاندارد می‏باشد.

یکی از مباحث مطرح در مدیریت زنجیره تأمین، تعیین قیمت فروش کالای تولیدی می‌باشد. مشتریان همواره به دنبال کالاهایی با قیمت پایین‌تر هستند و از طرفی تولیدکننده‌ای را در اولویت خرید قرار می‌دهند که کالای با کیفیت بالا و با قیمت مناسب ارائه کند. تولید محصول در محیط TAC-SCM که از جمله فضاهای موجود ایده‌آل برای تعریف و آزمون استراتژی‌های مختلف مطرح در مدیریت زنجیره تأمین می‌باشد با قطعات اولیه مشخصی انجام می‌گیرد، لذا کیفیت محصول نقشی در انتخاب مشتری نخواهد داشت و بحث انتخاب قیمت فروش محصول می‌تواند به عنوان چالشی برای شرکت‌کنندگان در اين مسابقات مطرح شود. با توجه به اینکه در این محیط، عامل‌ها در راستای بیشینه کردن موجودی حساب بانکی خود تلاش می‌کنند، معرفی و توسعه روشی جهت انتخاب قیمت فروش بهینه که دو ویژگی سودآوری و رقابتی را برآورده نماید، اهمیت ویژه‌ای خواهد داشت. در این مقاله، اتوماتای یادگیر جهت پیشنهاد قیمت به مشتری برای دریافت بیشترین تعداد سفارش به نسبت پیشنهادهای داده شده، بکار رفته است. تأکید روش پیشنهادی بر انتخاب قیمت فروش با توجه به بیشترین و کمترین قیمت سفارش روز قبل می‌باشد و نتایج بدست آمده، رقابتی بودن و سودآوری قیمت فروش و عملکرد قابل قبول روش پیشنهادی را نشان می‌دهد.

استخراج ویژگی، یکی از مراحل مهم پیش پردازش است. با این هدف که داده‌های با ابعاد بالا را به داده‌های با ابعاد پایین تبدیل کنیم. آنالیز طبقه‌بند خطی از متداول‌ترین روش‌های استخراج ویژگی خطی است. یکی از مشکلات این معیار، در مقابله با داده‌های ناهمگن است، كه برای رفع این مشكل، معیار چيرنف پیشنهاد شد. این معیار به دنبال یک ترکیب خطی است تا فاصله چيرنف بین دو توزیع را به حداکثر برساند. در این مقاله، ماتریس‌های پراکندگی جدید، براساس موقعیت قرار‌گيري نمونه‌ها تعریف شده است،که موجب جلوگیری ازتاثیرپذیری معیارچيرنف از جفت کلاسی که در فضای واقعی دور هستند، شده و نرخ کارایی طبقه‌بندی چيرنف را بهبود می‌بخشد. عملکرد روش پیشنهادی برروی داده‌های واقعی برگرفته شده از پایگاه‌ داده‌های UCI توسط روش اعتبارسنجی ضربدری 10 Fold Cross Validation، ارزیابی شده است، نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌‌های مرز دانش می‌باشد.

یک سیستم طبقه‌بندی مبتنی بر قواعد فازی گونه‌ا‌ی خاص از مدل‌سازی فازی است که در آن خروجی سیستم، مقداری غیرفازی و گسسته است. چالش‌برانگیزترین مسئله در طراحی این سیستم‌ها، ساخت پایگاه قواعد فازی است. تاکنون تلاش‌های بسیاری با هدف ایجاد و تنظیم ساختار این سیستم‌ها صورت گرفته است. در این مقاله، یک الگوریتم یادگیری مبتنی بر پاداش و جریمه ارائه شده‌است. الگوریتم پیشنهادی با ارزیابی رفتار قواعد فازی در روند یادگیری، پارامترهای توابع عضویت مقدم و وزن قواعد سیستم را در راستای بهبود نتایج طبقه‌بندی تنظیم می‌کند. در گونه‌های این الگوریتم، برای ایجاد تعادل مابین تنظیم وزن قواعد فازی و اصلاح زیر فضاهای فازی، معیارهای تعداد جریمه‌‌ها و میزان نوسان در دریافت پاداش و جریمه‌ی هر قاعده معرفی شده‌اند. ایده‌های پیشنهادی به کمک تعدادی از مجموعه‌داده‌های UCI ارزیابی شده و کارایی آنها در مقایسه با الگوریتم پایه‌ای پاداش و جریمه، و شبکه‌عصبی MLP بررسی شده ‌است. نتایج نشان می‌دهد روش پیشنهادی به خوبی می‌تواند کیفیت طبقه‌بندی را ارتقا داده و دقت بالاتری را حاصل نماید.

الگوریتم یادگیری Q، یکی از بهترین الگوریتم‌های یادگیری مستقل از مدل می‌باشد. هدف از یادگیری، یافتن تخمینی از تابع ارزش - عمل بهینه می‌باشد که مقادیر Q نامیده می‌شود. یکی از عمده ترین مشکلات روش یادگیری Q در برخورد با مسائل دنیای واقعی، زیاد شدن تعداد حالت‌های محیط و در نتیجه کم شدن سرعت همگرایی است، زیرا برای تضمین همگرایی یادگیری، تمامی زوج‌های حالت - عمل باید بی‌نهایت بار بازدید شود. در این نوشتار، از روش ترکیبی بر پایه مفاهیم عمل متضاد استفاده شده است. مفاهیم تضاد در یادگیری تقویتی منجر به بهبود سرعت همگرایی می‌شود، زیرا در آن به‌روز رسانی مقادیر Q برای عمل و عمل متضاد متناظر آن، در یک مرحله و بصورت همزمان انجام می‌پذیرد. روش ارائه شده همراه با یافتن بهترین اثر متقابل بین اکتساب و اکتشاف در یادگیری Q، برای افزایش سرعت همگرایی یادگیری استفاده شده است. تکنیک ارائه شده برای مسئله Grid world شبیه سازی شده است. نتایج به دست آمده بهبود در فرایند یادگیری را نشان می‌دهد.

امروزه با توجه به رشد فراوان دستگاه های چند رسانه ای مدیریت تصاویر کاربران در این دستگاه ها نیز به چالشی مهم تبدیل شده است. حاشیه نویسی خودکار تصاویر میتواند شکاف معنایی میان تصاویر را به میزان قابل توجهی کاهش دهد. مدل پیشنهادی در این مقاله استفاده از شبکه های عصبی برای دسته بندی تصاویر مشابه است، بطوریکه پس از بدست آوردن بردار ویژگی های تصاویر آموزشی برای دسته بندی آنها را به ورودی شبکه های عصبی می دهیم. بردار ویژگی های ما شامل 2 بخش ویژگی های رنگ و ویژگی های بافت است. که برای رنگ از Correlogram و برای بافت از فیلتر گابور استفاده شده است. پس از پایان بخش آموزش که با استفاده از الگوریتم پس انتشار (BackPropagation) اجرا می شود، بردار ویژگی های تصاویر تست به ورودی شبکه عصبی ساخته شده داده می شود تا تصاویر مشابه را برای ما مشخص کند. با استفاده از کلمات کلیدی تصاویر مشابه تصویر تست را حاشیه نویسی می کنیم. نتایج آزمایشات بر روی تصاویر Corel5k خود گواه این موضوع است که استفاده از ویژگی های مناسب در دسته بندی دقیق مهم بوده و در دقت و کیفیت حاشیه نویسی موثر است.

شناسایی ناهنجاری‌های کروموزومی بخش ضروری از تشخیص و درمان اختلالات ژنتیکی و تعدادی از انواع سرطان‌هاست. سیتوژنتیک ابزار ارجح در تشخیص بیماری‌های ژنتیکی است. در سیتوژنتیک، کاریوتایپ که آرایه نظام‌مندی از کروموزوم‌های یک انسان است، توسط عکس‌برداری از هسته یک سلول با استفاده از میکروسکوپ‌های نوری به دست میاید و مورد تجزیه‌ و تحلیل قرارمی گیرد که در آن کروموزوم‌ها بر اساس ویژگی‌های مورفولوژیکی جفت و مرتب می‌شوند. در حال حاضر این تجزیه‌وتحلیل به‌صورت چشمی توسط تکنسین‌های آزمایشگاهی انجام می‌شود که این فرایند وقت‌گیر و دارای خطاهای انسانی است. هدف اصلی در این مقاله تشخیص خودکار وجود ناهنجاری‌های کروموزومی در کاریوتایپ های انسانی است. گام اصلی در خودکار سازی این روش تعریف برخی ویژگی‌های مورفولوژیکی برای هر کروموزوم است. در این روش به‌صورت خودکار با محاسبه طول و نسبت بازوهای کوتاه و بلند هر کروموزوم و مقایسه آن با کاریوتایپ های نرمال متوجه تغییرات کروموزومی و وجود یا عدم وجود ناهنجاری‌ها در آن‌ها می‌شوند. این روش بر روی 22 تصویر کاریوتایپ بیمار تست شد و همه انواع ناهنجاری در کاریوتایپ های انسانی قابل ‌تشخیص بود، به‌جز در مواردی که ناهنجاری جابجایی بین دو قطعه از کروموزوم که دارای اندازه کاملاً مشابه در دو بازوی نظیر هم (p یا q) هستند.

در تفسیر تصاویر سنجش از دور امکان دارد تصاویری که توسط سنجنده‌های مختلف تهیه می‌شوند در همان حالت اولیه قابل درک نباشند یا نتوان اطلاعات زیادی از آنها استخراج کرد. برای آن که بتوان درک بصری خوبی از تصویر به دست آورد، لازم است تا در ابتدا یک سری از پیش پردازش ها و تصحیحات اولیه و سپس یک سری از پردازش های اصلی جهت تحلیل دقیق‌تر روی تصویر انجام شود. روش‌های متفاوتی برای پردازش وجود دارند که وابسته به نوع تصویر سنجش از دور، متفاوت‌اند. روشی که قصد داریم در این مقاله به آن بپردازیم، استفاده از رنگ‌های طبیعی یک تصویر اپتیکی به منظور اضافه کردن رنگ به تصویر سیاه و سفید ماهواره‌ای است و ما را قادر می‌سازد تا تصویر سیاه و سفید مربوط به باند با بالاترین وضوح سنجنده OLI ماهواره لندست8 را بهتر مشاهده نماییم. ویژگی مهم این روش استفاده از یک درون‌یابی آماری جهت بهبود کیفیت رنگ در کنار حفظ وضوح بالا در تصویر رنگی شده است و در عمل نیز شباهت قابل قبول برای رنگ‌های خروجی به‌دست آمده است.

با تغییرات وسیع در دستگاه های موبایل و تکنولوژی های چندرسانه ای در سال های اخیر این امر مهم به نظر می رسد که تصاویر با ابعاد و رزولوشن های مختلف روی این دستگاه ها با کیفیت بالا نمایش داده شوند. برای استفاده بهتراز فضای نمایش محدود این دستگاه ها نیاز به تغییر سایز تصاویراحساس می شود.در این میان الگوریتم حذف سیم به عنوان یک روش تغییر ابعاد تصاویر، کاربرد زیادی یافته است. این روش، بر اساس سطوح انرژی، روشی کارا و با افت کیفیت کمتر از نظر چشم انسان پیشنهاد می دهد تا محتوای تصویر ، بهتر حفظ گردد.اما در برخی تصاویر باعث تخریب قسمت های مهم می شود. لذا به منظور بهبود کیفیت تصاویر خروجی،به دنبال بهبود روش حذف سیم هستیم، تا اشکالات موجود رفع گردد. یکی از مسائل مهم در حذف سیم ، نحوه تعیین میزان اهمیت برای قسمت های مختلف تصویر است. که به طور معمول با استفاده از تابع انرژی یا انتروپی صورت می گرفته است. در این مقاله با استفاده از درخت چهارگانه، نقشه اهمیت جدیدی برای تصویر به دست آورده ایم که با استفاده از آن مسیرهای به هم پیوسته کم اهمیت، از بالا به پایین انتخاب شده و حذف می گردند تا تصویر به سایز دلخواه برسد. نتایج نشان می دهد استفاده از این نگاشت اهمیت در روش حذف سیم باعث بهبود کیفیت تصاویر خروجی به خصوص در تصاویر چهره می شود بدون آنکه تغییر مشهودی در سرعت الگوریتم ایجاد کند.

در این مقاله برای مدل کردن تغییر زاویه دید، از روش یادگیری استفاده شده در تحلیل فاکتور مقید و نسخه تقویت شده آن استفاده شده است. از آن جا که با تغییر زاویه دید، مؤلفه‌های فرکانس بالای تصویر، تغییر بیشتری می‌کنند؛ و از طرفی ضرایب حساس به جهت تبدیل کرولت، ضرایب جزئی آن هستند؛ بنابراین ضرایب درشت این تبدیل برای شناسایی چهره در زاویه‌های دید مختلف، قوی باقی می‌مانند. استفاده از ضرایب درشت تبدیل کرولت در تجزیه دو سطحی آن، به عنوان ویژگی، درصد شناسایی روش‌های ذکر شده را بهبود می‌دهد. میزان بهبود برای تصاویر با زاویه چرخش نزدیک به نیم رخ، بیشتر است. برای پیاده سازی‌، از بخشی تصاویر پایگاه ‌داده‌ی CMU-PIE برای آموزش و از بقیه برای آزمودن نتایج استفاده شده است.